Ultrason görüntülerinin süper çözünürlük ile iyileştirilmesi için FPGA tabanlı derin öğrenme ağı
FPGA-Based Deep Learning Network for Super-Resolution Enhancement of Ultrasound Images
- Tez No: 1009712
- Danışmanlar: PROF. DR. HASAN ŞAKİR BİLGE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: FPGA, FPGA
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada düşük çözünürlüklü ultrason görüntülerinin derin öğrenme tabanlı yaklaşım kullanılarak yüksek çözünürlüğe iyileştirilmesi amaçlanmıştır. Süper Çözünürlüklü Evrişimsel Sinir Ağı (SRCNN) mimarisine sahip derin öğrenme ağ modeli, referans yüksek çözünürlüklü ve düşük çözünürlüklü gürültü içeren görüntülerden oluşan veri kümesi ile eğitilmiştir. Bu sayede derin öğrenme ağının yüksek ve düşük kaliteli görüntüler arasındaki yapısal farkları öğrenerek yüksek kaliteli çıktı üretmesi hedeflenmiştir. Performans odaklı çok katmanlı büyük ağ modeli ve düşük kaynak kullanımı odaklı küçük ağ modeli olmak üzere iki farklı ağ mimarisi geliştirilmiştir. Oluşturulan derin öğrenme ağ modelleri ultrason görüntüleme sistemlerinin gerçek zamanlılık özelliğinin korunması ve düşük güç tüketiminin sağlanması amacıyla FPGA donanımına uyumlu olarak tasarlanmıştır. Kaynak verimliliğinin sağlanması amacıyla FPGA donanımına uyumlu hale getirilen ağ mimarilerinin kayar nokta optimizasyonları ve yeniden kullanım faktörü optimizasyonları gerçekleştirilmiştir. Elde edilen sonuçların analizi gerçekleştirildiğinde, Tepe Sinyal Gürültü Oranı (PSNR) ölçümlerinde küçük ağ modelinin ortalama 8 dB, büyük ağ modelinin ise ortalama 12 dB değerinde kazanç elde ettiği gözlemlenmiştir. Ortalama kare hatası (MSE) ölçümlerinde ise her iki modelin de %2 seviyelerinde bulunan değerleri %0,1 seviyelerine indirgeyerek düşük çözünürlüklü ve gürültü içeren girdi görüntülerinden yüksek çözünürlüklü çıktılar üretildiği görülmüştür. Bu sonuçlar doğrultusunda FPGA donanımında çalışabilir SRCNN mimarili derin öğrenme modellerinin katkısı ve gerçek hayatta kullanılabilirliği gösterilmiştir.
Özet (Çeviri)
In this study, the aim is to enhance low-resolution ultrasound images to high resolution using a deep learning–based approach. A deep learning model based on the Super Resolution Convolutional Neural Network (SRCNN) architecture was trained on a dataset comprising reference high-resolution images and low-resolution noisy images. In this way, the deep learning network was expected to learn the structural differences between high- and low-quality images and generate high-quality outputs. Two different network architectures were developed: a large multi-layer network model focused on performance, and a small network model focused on low resource utilization. The proposed deep learning models were designed to be compatible with FPGA hardware to preserve the real-time capabilities of ultrasound imaging systems and ensure low power consumption. To achieve resource efficiency, floating-point optimization and reuse factor optimizations were applied to the network architectures adapted for FPGA implementation. Analysis of the results showed that, in terms of Peak Signal-to-Noise Ratio (PSNR), the small network model achieved an average gain of 8 dB, while the large network model achieved an average gain of 12 dB. In terms of Mean Squared Error (MSE), both models reduced the error from approximately 2% to around 0.1%, demonstrating the successful generation of high-resolution outputs from low-resolution, noisy input images. These results demonstrate the contribution and real-world applicability of SRCNN-based deep learning models that are operable on FPGA hardware.
Benzer Tezler
- Ultrason görüntülerinde derin öğrenme yaklaşımıyla süper çözünürlük
Ultrasound image super resolution with deep learning approach
HAKAN TEMİZ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. HASAN ŞAKİR BİLGE
- Development and implementation of ultrafast ultrasound imaging
Yüksek hızlı ultrason görüntülemenin geliştirilmesi ve uygulaması
EDA BEGÜM BERBEROĞLU
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BARIŞ BAYRAM
- Single-image bayesian restoration and multi-image super-resolution restoration for b-mode ultrasound images using an accurate system model
B-mod ultrason görüntüleri üzerinde hassas sistem modeli kullanarak tek-görüntülü bayesçi onarma ve çok-görüntülü çözünürlük-üstü onarma
MİNE CÜNEYİTOĞLU ÖZKUL
Doktora
İngilizce
2019
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. ÜNAL ERKAN MUMCUOĞLU
- Superpixel assisted deep neural network for breast tumor segmentation in ultrasound images
Süperpiksel destekli derin sinir ağı ile meme ultrason görüntülerinde tümör segmentasyonu
NEFİSE UYSAL
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
ÖĞR. GÖR. MURAT GEZER
- Süper çözünürlük yöntemlerinin ultrason görüntülerinde incelenmesi
Examination of super resolution methods on ultrasound images
EZGİ KÜPÇÜOĞLU YAŞIN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ŞAKİR BİLGE